Данная работа посвящена решению проблемы автоматизации своевременного обнаружения на полях больных растений с целью сохранения урожая. В процессе выполнения работы выполнено сравнение существующих методов классификации изображений и в качестве наиболее подходящего метода выбран метод сверточных нейронных сетей. Разработано программное обеспечение, позволяющее формировать обучающие выборки по фотографиям полей, производить аугментацию обучающих выборок с целью избежания переобучения модели, обучать модели- классификаторы изображений и использовать реализованные модели- классификаторы. При помощи разработанного программного обеспечения с привлечением специалистов по защите растений подготовлена обучающая выборка состоящая из 407 примеров фитофтороза, 344 примеров здорового куста, 501 примера мозаики картофеля и 288 примеров сорняков. Выборка была расширена при помощи алгоритмов генерации изображений. Предобученная модель DenseNet121 показала наилучший результат на исходных данных и была дообучена на данных с аугментацией. Точность обученного классификатора на экзаменационных данных с аугментацией составила 98-99 процентов.

This work is devoted to solving the problem of automation of timely detection of diseased plants in the fields in order to preserve the crop. In the course of this work was compared existing methods of image classification and selected the convolutional neural network method as the most appropriate method. Software has been developed that allows forming training samples based on field photos, augmenting training samples in order to avoid over-training the model, training image classifier models, and using implemented classifier models. A training sample consisting of 407 examples of late blight, 344 examples of healthy Bush, 501 examples of potato mosaic and 288 examples of weeds was prepared using the developed software with the involvement of plant protection specialists. The selection was expanded using image generation algorithms. The pre-trained densenet121 model showed the best result on the source data and was further trained on the data with augmentation. The accuracy of the trained classifier on the exam data with augmentation was 98-99 percent.

• ВВЕДЕНИЕ
• 1. РАЗРАБАТЫВАЕМАЯ СИСТЕМА
  • 1.1. Архитектура
  • 1.2. Входные данные
• 2. ВЫБОР МЕТОДА КЛАСТЕРИЗАЦИИ
  • 2.1. Sliding Window
• 3. ВЫБОР МЕТОДА КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ
  • 3.1. Методы
    • 3.1.1. Maximum Likelihood
    • 3.1.2. Minimum Distance
    • 3.1.3. Parallelepiped
    • 3.1.4. Mahalanobis Distance
    • 3.1.5. K-Nearest Neighboor
    • 3.1.6. Decision Tree
    • 3.1.7. ANN
    • 3.1.8. Image Segmentation
  • 3.2. Критерии выбора метода
  • 3.3. Выбор метода классификации
• 4. ВЫБОР МЕТОДА СЕГМЕНТАЦИИ И ПРЕДОБРАБОТКИ
  • 4.1. U-Net
  • 4.2. Обучение Unet
• 5. ОБУЧАЮЩАЯ ВЫБОРКА
  • 5.1. Формирование
  • 5.2. Аугментация
• 6. ИТОГОВЫЙ СТЕК МЕТОДОВ
• 7. ВЫБОР БИБЛИОТЕКИ ДЛЯ ГЛУБОКОГО ОБУЧЕНИЯ
• 8. МОДУЛЬ КЛАССИФИКАЦИИ
  • 8.1. Модуль поиска кандидатов
  • 8.2. Тестирование модуля поиска кандидатов
  • 8.3. Обучение классификатора
    • 8.3.1. Выбор предобученных моделей
    • 8.3.2. Утилита для обучения сверточных нейронных сетей
    • 8.3.3. Обучение Xception
    • 8.3.4. Обучение MobileNetV2
    • 8.3.5. Обучение DenseNet121
    • 8.3.6. Дообучене DenseNet121 на выборке с аугментацией
• 9. ТЕСТИРОВАНИЕ МОДУЛЯ
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ ССЫЛКА НА ПРОЕКТ НА GITHUB